پيش بيني خودكار خرابي موتور كاميون هاي معدني با استفاده از آناليز روغن و يادگيري ماشين

افزايش دسترسي پذيري ماشين آلات و كاهش هزينه هاي عملياتي از الزامات رسيدن به توليد هوشمند پايدار در صنعت معدن است. خرابي ماشين آلات امري غير قابل اجتناب است كه مي تواند اين هدف را محدود كند. ايجاد مدل هاي پيش بيني خرابي ماشين آلات به عنوان يك استراتژي تصميم گيري مبتني بر تشخيص بلادرنگ خرابي هاي قريب الوقوع و آگاهي از سلامت آنها مي تواند قابليت دسترسي را افزايش و هزينه هاي عملياتي را كاهش دهد. در اين مقاله يك رويكرد داده محور بر اساس مدل يادگيري ماشين براي تشخيص وضعيت سلامت كاميون هاي معدني و همچنين شناسايي بعضي از عيوب موتور آنها ارائه مي گردد. مدل ها بر اساس تاريخچه داده هاي پايش وضعيت و آناليز روغن موتور كاميون هاي معدني آموزش ديده مي شوند. براي انتخاب مدل از الگوريتم هاي يادگيري ماشين شامل Random Forests (RF)، XGBoost، K-Nearest Neighbor (KNN)، Support Vector Machine (SVM) و Voting و معيارهاي ارزيابي مختلفي استفاده شده است. نتايج تجربي نشان مي دهد كه XGBoost و RF نسبت به ساير الگوريتم ها عملكرد بهتري دارند.